17898

17898

ارائه مدلي چهت تشخيص اجتماع‌ها در شبكه‌هاي اجتماعي برخط بادرنظرگرفتن خصيصه‌ها و جريان اطلاعات

دكتري

مهندسي سيستم هاي اقتصادي اجتماعي

تير ماه 1396

دكتر محمد فتحيان

دكتر محمدرضا غلاميان

صنايع

امروزه در جوامع مختلف به صراحت به اهميت و جايگاه تحليل شبكه‌هاي اجتماعي در شناخت نظام‌هاي اجتماعي و استفاده از آنها در لايه‌هاي مختلف تصميم‌گيري اذعان مي‌شود. شبكه‌هايي كه اغلب بسيار پيچيده و چندبعدي هستند. شايد بتوان قدم اول جهت تحليل يك چنين شبكه اجتماعي، به ويژه يك شبكه اجتماعي برخط، را كشف اجتماع‌هاي داخل آن و مطالعه روي آنها دانست. اجتماع‌هايي كه علاوه بر تاثيرپذيري از ارتباطات ميان كاربران، ممكن است به شدت متاثر از ابعاد ديگري نظير خصيصه‌هاي كاربران يا جريان اطلاعات و محتواي منتشرشده ميان آنها باشد. در اين رساله، در راستاي ارائه مدلي كه بتواند اجتماع‌هاي ميان كاربران را در شبكه‌هاي چندبعدي (شبكه‌هايي كه علاوه بر ارتباطات ميان كاربران، حاوي و متاثر از ابعاد ديگر نيز باشد) كشف كند، ابتدا به مرور ادبيات و شناسايي شكاف‌هاي موجود در آن پرداخته شد. شناسايي شكاف‌ها، زمينه مناسبي جهت مطالعه روي شبكه‌هاي تك‌بعدي (مشتمل بر فقط ارتباطات) فراهم آورد. سپس رويكردهاي موجود (جهت حل مسأله تشخيص اجتماع) در ادبيات شبكه‌هاي تك‌بعدي بررسي شد. در ادامه، براي مطالعه روي شبكه‌هاي دوبعدي و شبكه‌هاي چندبعدي، رويكردهاي مهم انتخاب و بكار گرفته شدند. از آنجا كه ارزيابي و اعتبارسنجي رويكردها و روش‌ها امري چالش‌برانگيز و مؤثر در نتايج محسوب مي‌شد، مطالعه‌اي در اين خصوص انجام گرفت. مدل‌ها و الگوريتم‌هايي كه تاكنون جهت حل مسأله اجتماع‌يابي در شبكه‌هاي چندبعدي ارائه شده‌اند قادر به تحليل همزمان دوبعد هستند؛ در حالي كه شبكه‌هاي واقعي چندبعدي هستند. مدلي كه براي رفع اين معضل پيشنهاد شد، يك مدل چندهدفه بود. يافته اصلي اين مدل، در كنار توانايي رقابت با ساير الگوريتم‌ها از نظر كيفيت در نتايج، كشف تفاوت در نتايج اجتماع‌بندي ابعاد يك شبكه بود. اين يافته كه اشاره به تفاوت در رفتار كاربران در ابعاد مختلف دارد، گوياي اهميت در نظر گرفتن ابعاد مختلف در تحليل است. پرداختن به اين مهم، يك نوآوري در لايه مفهوم بوده و نيازمند مدلسازي جديد و ارائه الگوريتمي متناسب با آن است. از اين رو، رويكرد اجماعي پيشنهاد شد. بر مبناي اين رويكرد، اجتماع‌هاي هر بعد شبكه به طور جداگانه شناسايي شده سپس اجماعي از آنها ارائه مي‌شود. نتايج حاكي از برتري اين رويكرد در اجتماع‌يابي نسبت به ساير روش‌ها دارد. اين رويكرد، مزاياي مختلفي به همراه دارد كه از جمله آنها مي‌توان به قابليت پذيرش ابعاد مختلف محاسبه تاثير آنها و پذيرش داده‌هاي ناقص اشاره كرد.

1396/07/18

1/1/1900 12:00:00 AM

Nowadays, everybody explicitly confirms the significance of analyzing social networks in order to understand social systems, and to help decision making. Networks are very complex, and multi-dimensional. In order to analyze such networks, especially in case of online social networks, detecting and studying the underlying communities might be the primary step. These patterns, i.e., communities, are not only caused by users’ interactions, but also influenced by other dimensions, such as users’ attributes, contents, or information flows. This dissertation, in order to develop a new model for detecting communities in multi-dimensional networks, at first, reviewed the literature, and recognized gaps. Recognizing gaps could make opportunity for studying one-dimension networks and reviewing the present approaches of community detection. Then, in order to do a research on bi-dimensional and multi-dimensional networks, effective approaches would be selected and used. On the other hand, since eva​luation (and verification) of methods emerges as a challenging issue, some well-known eva​luation methods would be analyzed. Community detection models and algorithms developed for multi-dimensional networks can only work on bi-dimensional ones; however, real social networks are multi-dimensional. This dissertation proposed a multi-objective model for coping with this issue. The main achievement of this model is that users’ behavior might be crucially dissimilar through various dimensions. This dissimilarity tells us about the significance of considering different dimensions in our analysis. Moreover, studying such finding could be as an innovation in “concept” layer, which needs new modeling and new algorithms. Based on this requirement, the dissertation proposed a consensus-based community detection approach (CBC). According to CBC, communities present in each dimension should be detected, then, the final communities could be extracted from them by means of a consensus-based clustering method. This approach provides a line of advantages, such as the capability of simultaneously analyzing of a set of dimensions, calculating effect of each dimension on the final results, and handling missing values.